基于特征点提取的RANSAC-ICP三维点云配准方法

摘要

针对现有点云配准算法中易出现的误匹配、迭代时间长、精度低等问题，提出一种基于特征点提取的随机采样一致性与迭代最近点的三维点云配准方法，设计体素滤波降采样、关键特征点提取和几何特征描述、改进的随机采样一致性和点到面的迭代最近点算法框架。在降采样的基础上，提取点云关键几何特征点，并进行关键点邻域描述。采用四点对的随机采样一致性算法和点到面的迭代最近点算法分别进行点云粗配准与精细配准；采用K维树方法加速迭代，奇异值分解求解最优变换矩阵，最终实现三维点云配准。利用激光雷达及配套设备，模拟无人车辆采集点云数据，并选取不同时间间隔的点云图像，引入均方根误差和运算时间指标，验证算法的性能。试验结果表明：在粗配准阶段，配准速度相较于采样一致性算法和四点一致性算法，配准速度平均提高78.44%和61.02%,在处理100帧以下的数据时，配准误差在10 cm范围内；在精配准阶段，配准误差较粗配准、正态分布变换算法、传统的迭代最近点算法分别降低5.11、4.94和0.53 cm,配准时间较传统的迭代最近点算法平均提高33.06%。

关键词

激光SLAM / 点云配准 / 关键点提取 / 随机采样一致性 / 迭代最近点